9.1.1 實(shí)驗(yàn)介紹9.1.2 關(guān)于本實(shí)驗(yàn)本實(shí)驗(yàn)為 TensorFlow 線性回歸的一個(gè)實(shí)際案例即房?jī)r(jià)預(yù)測(cè)。9.1.3 實(shí)驗(yàn)?zāi)康睦斫饩€性回歸。

理解如何利用 TensorFlow 做預(yù)測(cè)。9.1.4 實(shí)驗(yàn)介紹本實(shí)驗(yàn)通過(guò)一個(gè)預(yù)測(cè)房屋價(jià)格的實(shí)例來(lái)講解利用線性回歸預(yù)測(cè)房屋價(jià)格，以及在 tensorflow 中如何實(shí)現(xiàn)。平時(shí)常用的房?jī)r(jià)預(yù)測(cè)數(shù)據(jù)集為波士頓房?jī)r(jià)數(shù)據(jù)集，本實(shí)驗(yàn)采用的是北京的房?jī)r(jià)數(shù)據(jù)集，更貼近國(guó)人的生活。9.1.5 實(shí)驗(yàn)步驟步驟 1 步驟 1 登陸華為云。

步驟 2 點(diǎn)擊右上方的控制臺(tái)。

步驟 3 選擇彈性云服務(wù)器，網(wǎng)頁(yè)中會(huì)顯示該彈性云的可進(jìn)行的操作，選擇遠(yuǎn)程登錄。即登錄到彈性云服務(wù)器。

步驟 4 輸入指令 ll，查看當(dāng)前目錄下的文件。

步驟 5 輸入命令 vi house_price.py，創(chuàng)建新的 Python 腳本。

步驟 6 輸入命令 i,進(jìn)入編輯模式開(kāi)始編輯，輸入腳本內(nèi)容。

步驟 7 輸入命令 :wq!,保存并退出。

步驟 8 輸入命令 cat house_price.py 查看代碼。

步驟 9 運(yùn)行測(cè)試。輸入命令：python3 house_price.py。

9.2 實(shí)驗(yàn)過(guò)程9.2.1 設(shè)置編碼說(shuō)明# coding:utf-89.2.2 導(dǎo)入模塊#載入此項(xiàng)目所需的庫(kù)

from   future import print_function, division import tensorflow as tf

import pandas as pd import numpy as np

import matplotlib.pyplot as plt import seaborn

9.2.3 導(dǎo)入數(shù)據(jù)

該實(shí)驗(yàn)數(shù)據(jù)來(lái)源為：https://github.com/cunxi1992/boston_housing 中的 bj_housing2.csv 文件。讀取數(shù)據(jù)：

train = pd.read_csv("bj_housing2.csv")

9.2.4 定義參數(shù)

train = train[train['Area'] < 12000]

train_X = train['Area'].values.reshape(-1, 1) train_Y = train['Value'].values.reshape(-1, 1) n_samples = train_X.shape[0]

# 定義參數(shù)，設(shè)置學(xué)習(xí)率

learning_rate = 2

# 設(shè)置訓(xùn)練次數(shù)

training_epochs = 1000

# 設(shè)置多少次顯示一次

display_step = 50

9.2.5 定義占位符

# 定義 X,Y 占位符

X = tf.placeholder(tf.float32) Y = tf.placeholder(tf.float32)

# 使用 Variable 定義的學(xué)習(xí)參數(shù)

W = tf.Variable(np.random.randn(), name="weight", dtype=tf.float32) b = tf.Variable(np.random.randn(), name="bias", dtype=tf.float32)

9.2.6 構(gòu)建正向傳播結(jié)構(gòu)

# 構(gòu)建正向傳播結(jié)構(gòu)

pred = tf.add(tf.multiply(W, X), b)

#損失函數(shù)

cost = tf.reduce_sum(tf.pow(pred-Y, 2)) / (2 * n_samples) # ?使用梯度下降優(yōu)化器

optimizer = tf.train.AdamOptimizer(learning_rate).minimize(cost)

9.2.7 初始化

# 激 活 Init

init = tf.global_variables_initializer()

# 啟動(dòng) session，初始化變量with tf.Session() as sess:

sess.run(init)

9.2.8 啟動(dòng)循環(huán)

#啟動(dòng)循環(huán)開(kāi)始訓(xùn)練

for epoch in range(training_epochs): for (x, y) in zip(train_X, train_Y):

sess.run(optimizer, feed_dict={X: x, Y: y})

#顯示訓(xùn)練中的詳細(xì)信息

if (epoch + 1) % display_step == 0:

c = sess.run(cost, feed_dict={X: train_X, Y: train_Y})

print("Epoch:", '%04d' % (epoch + 1), "cost=", "{:.3f}".format(c), "W=", sess.run(W), "b=", sess.run(b)) #顯示訓(xùn)練中的詳細(xì)信息

print("Optimization Finished!")

training_cost = sess.run(cost, feed_dict={X: train_X, Y: train_Y})

print("Training cost=", training_cost, "W=", sess.run(W), "b=", sess.run(b), '\n')

9.2.9 展示訓(xùn)練結(jié)果

#展示訓(xùn)練結(jié)果

plt.plot(train_X, train_Y, 'ro', label="Original data")

plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label="Fitted line") plt.legend()

plt.show()

9.2.10 實(shí)驗(yàn)結(jié)果

輸出結(jié)果：Epoch:0050cost=16308.796W=1.8889627b=155.08276Epoch:0100cost=16308.796W=1.8889627b=155.08276Epoch:0150cost=16308.796W=1.8889627b=155.08276Epoch:0200cost=16308.796W=1.8889627b=155.08276Epoch:0250cost=16308.796W=1.8889627b=155.08276Epoch:0300cost=16308.796W=1.8889627b=155.08276Epoch:0350cost=16308.796W=1.8889627b=155.08276Epoch:0400cost=16308.796W=1.8889627b=155.08276

Epoch:0450cost=16308.796W=1.8889627b=155.08276Epoch:0500cost=16308.796W=1.8889627b=155.08276Epoch:0550cost=16308.796W=1.8889627b=155.08276Epoch:0600cost=16308.796W=1.8889627b=155.08276……        

9.3 實(shí)例描述

本實(shí)驗(yàn)利用網(wǎng)上已有的北京房?jī)r(jià)數(shù)據(jù)集預(yù)測(cè)了北京的房?jī)r(jià)，實(shí)現(xiàn)了 TensorFlow 的線性回歸應(yīng)